Automatische Ermittlung von Bildungs- und Wissenschaftstermini mit linguistischen Methoden

ERIKA RIMKUTĖ

Vytautas-Magnus-Universität

SCHLÜSSELWÖRTER: Korpus, Bildungs- und Wissenschaftstermini, linguistische Methoden, Lemmaform, grammatische Form

EINLEITUNG

Die Korpuslinguistik und die Computerlinguistik in Litauen blicken bereits auf ihr zweites Jahrzehnt zurück – der Beginn dieser Wissenschaftszweige lässt sich mit der Gründung des Zentrums für Computerlinguistik an der Vytautas-Magnus-Universität (siehe http://tekstynas.vdu.lt) im Jahr 1994 in Verbindung bringen. Es wurden mehrere Korpora sowie Programme zur automatischen Sprachverarbeitung und -synthese erstellt¹. Dennoch werden die Prinzipien der Korpuslinguistik in der Terminologie und Terminografie noch kaum angewandt.

Im Artikel von 2010 Möglichkeiten zur automatischen Ermittlung litauischer Termini (Rimkutė 2010) wurde untersucht, in welchem Umfang Korpora bei der Erstellung verschiedener terminologischer Arbeiten in Litauen eingesetzt werden. Litauische Termini sind in mehreren internationalen Datenbanken und Terminologiedatenbanken zu finden; zudem wurden zahlreiche elektronische Terminologien oder Datenbanken erstellt², doch beruhen alle elektronischen Terminologien in litauischer Sprache im Wesentlichen auf Terminologiewörterbüchern. Viele litauische Wörterbücher wurden auf der Grundlage recht kleiner Textmengen und sprachlicher Intuition erstellt. Daher lässt sich feststellen, dass in Litauen weiterhin ein präskriptiver Ansatz zur Ermittlung und Beschreibung von Termini vorherrscht.

Der Artikel stellt die Ergebnisse eines Projekts³ vor, das der Ermittlung und Beschreibung von Bildungs- und Wissenschaftstermini gewidmet ist und sich mit der automatischen Ermittlung von Termi-

¹ Ein umfassendes Verzeichnis der bis 2011 erstellten litauischsprachigen Ressourcen finden Sie unter http://sruoga.vdu.lt/lituanistiniai-skaitmeniniai-istekliai/lituanistiniu-istekliu-sarasas.

² Die Verweise sind im genannten Artikel aufgeführt.

³ Dies ist ein vom Litauischen Forschungsrat gefördertes Projekt Automatische Identifizierung von Bildungs- und Wissenschaftstermini (ŠIMTAI 2) (Vertragsnr. LIT-2-44). Die wichtigsten Ziele dieses Projekts sind: 1) eine Methodik zur automatischen Terminologieerkennung in einem litauischen Sprachkorpus als neues Instrument der Terminologieverwaltung zu entwickeln und zu erproben, 2) ein spezielles Korpus für Bildungs- und Wissenschaftstexte zu erstellen, 3) auf der Grundlage des Spezialkorpus ein erklärendes Wörterbuch der Bildungs- und Wissenschaftstermini sowie eine Ontologie dieses Fachgebiets zu erstellen.

54

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

… Festlegung und Beschreibung. Die Idee für ein Projekt zur automatischen Ermittlung von Termini entstand aus der Beobachtung, dass die bestehenden normativen Quellen⁴ recht unvollständig sind, sich auf die allgemeinsten Begriffe der Bildungspolitik konzentrieren und den Bereich der Wissenschaftspolitik kaum abdecken; neue, aus der praktischen Arbeit hervorgehende Termini können darin nicht rechtzeitig aufgenommen werden, und die für die Normierung zuständigen Fachleute kommen mit ihrer Normierung nicht nach. Die traditionelle Normierung ist jedoch recht subjektiv. Daher müssen Sprachgebrauch und Normen mit Methoden der Korpuslinguistik begründet werden. In diesem Artikel wird daher ein in Litauen noch recht neues Verfahren zur Auswahl und Analyse von Termini vorgestellt, das die Arbeit von Terminologen erheblich erleichtern und objektiver gestalten könnte.

AUTOMATISCHE ERMITTLUNG VON TERMINI

Um Termini eines bestimmten Fachgebiets automatisch zu ermitteln und zu definieren, wurde ein Bereich ausgewählt – Wissenschaft und Bildung. Es wurde ein Korpus aus dem Bereich Bildung und Wissenschaft mit einem Umfang von 4 Millionen Wörtern zusammengestellt (im Folgenden: W&B-Korpus), dessen Konzeption sich an zwei Hauptthemen orientierte: 1) wissenschaftliche Forschung und 2) Bildung. Im Bereich der wissenschaftlichen Forschung lag der Schwerpunkt vor allem auf der Forschungs- und Hochschulpolitik. Aus dem Bildungsbereich wurde die nach der Sekundarstufe stattfindende Bildung berücksichtigt; besonderes Augenmerk galt der Hochschulbildung und dem lebenslangen Lernen. Als zusätzlicher Bereich wurde auch die berufliche Bildung einbezogen. Bei der Zusammenstellung des Korpus sollte eine Vielzahl von Textgattungen und -typen erfasst werden, zum Beispiel Gesetze und andere politische Dokumente der höchsten staatlichen Institutionen (Beschlüsse und Erklärungen des Seimas der Republik Litauen, der Regierung der Republik Litauen und des Präsidenten der Republik Litauen, Entscheidungen des Verfassungsgerichts usw.); strategische Dokumente; Durchführungsrechtsakte; Dokumente von Institutionen und Projekten zur Umsetzung der Wissenschafts- und Bildungspolitik; Dokumente von Wissenschafts- und Hochschuleinrichtungen; Informationspublikationen, Untersuchungen zum Zustand des Fachgebiets, Bewertungen und Machbarkeitsstudien; Pressemitteilungen und Diskussionsmaterialien.

Verfügt man über ein repräsentatives und gut ausgewogenes Korpus des untersuchten Fachgebiets⁵, lassen sich Termini automatisch ermitteln. Zu diesem Zweck werden meist …

⁴Erwähnenswert sind die Terminologiedatenbank der Republik Litauen, L. Jovaišas Enzyklopädisches Wörterbuch der Erziehungswissenschaftlichen Termini (2007) und der TESE-Thesaurus [abgerufen am 20.05.2012], online verfügbar unter: http://eacea.ec.europa.eu/education/eurydice/documents/tese/pdf/teselt_005_alphabetic.pdf.

⁵Repräsentativität und Größe von Korpora gehören zu den schwierigsten Fragen der Korpuslinguistik. Es ist anzunehmen, dass das W&B-Korpus das ausgewählte Fachgebiet recht gut repräsentiert. Seine Größe ist eher diskutabel; beispielsweise umfasst das englisch-italienische Rechtskorpus Bononia Legal Corpus (BOLC) etwa 18 Millionen Wörter (Rossini Favretti et al. 2001).

Terminologija | 2012 | 19

55

… werden drei Methodenarten verwendet: statistische, linguistische sowie hybride Modelle, die statistische und linguistische Methoden verbinden. Es wurden mehrere Experimente durchgeführt, um die geeignetsten Methoden zur Ermittlung von Termini zu bestimmen. Erprobt wurden folgende statistische Methoden: 1) die Funktion WordSmith Tools Keyword Clusters; 2) die maschinelle Lernmethode KEA; 3) die Methode zur Extraktion von Kollokationen mithilfe des Werkzeugs LICE (siehe ausführlicher Grigon worth et al. 2011). Aus diesen Untersuchungen wurde geschlossen, dass linguistische Methoden für das Litauische am besten geeignet sind. Im Folgenden werden die Besonderheiten dieser Methoden kurz erläutert.

Der Hauptvorteil statistischer Systeme zur Ermittlung von Termini besteht darin, dass sie keine umfangreichen Datenbanken mit von Menschen vorgegebenen Terminusbeispielen benötigen. Außerdem sind sie sprachunabhängig. Das grundlegende Funktionsprinzip statistischer Systeme beruht auf der Annahme, dass häufig gemeinsam vorkommende Wörter miteinander zusammenhängen und als mögliche Termini betrachtet werden können.

Linguistische Methoden stützen sich meist auf morphologische Merkmale und die Wortstellung. Für die Anwendung linguistischer Methoden werden morphologisch annotierte Korpora benötigt. Bei linguistischen Methoden zur Ermittlung von Termini wird gewöhnlich bestimmt, in welchen grammatischen Formen Termini auftreten können. Bei der Bestimmung der grammatischen Formen sind die Besonderheiten der jeweiligen Sprachen zu berücksichtigen. Für analytische Sprachen ist es beispielsweise wichtig, die Wortart der Termini zu bestimmen. Auch im Litauischen ist die Wortart der Termini sehr wichtig; zugleich muss jedoch bekannt sein, welche Informationen zu weiteren grammatischen Kategorien für die automatische Ermittlung von Termini erforderlich sind. Es hat sich gezeigt, dass im Litauischen auch die Kategorien Numerus und Kasus wichtig sind, während das Genus für die automatische Ermittlung von Termini keine besondere Bedeutung hat⁶.

Tyrinėtojų (pvz., Bowker 2002) nustatyta, kad beveik neįmanoma pritaikyti kitoms kalboms sukurtų terminus nustatančių įrankių, ypač tų, kurie naudoja lingvistinius metodus. Pavyzdžiui, tipiška anglų kalbos terminų struktūra yra bdv. + dkt., dkt. + dkt., o prancūzų kalbai būdingi modeliai yra dkt. + bdv., dkt. + prl. + dkt. Taigi norint taikyti lingvistinius terminų atpažinimo metodus, reikia sukurti programą, kurioje būtų atsižvelgta į tam tikros kalbos gramatinę sistemą.

Im weiteren Verlauf dieses Artikels werden Versuche zur automatischen Ermittlung litauischer Termini mithilfe linguistischer Methoden vorgestellt. Zu beachten ist …

⁶Das Genus wird in Fällen relevant, in denen Synkretismus bei den Kasusformen auftritt, zum Beispiel bei mokslo darbuotojų: Das automatische morphologische Analyseprogramm erkennt die Form darbuotojų sowohl als Genitiv Plural eines maskulinen als auch eines femininen Substantivs und gibt daher sowohl mokslo darbuotojas als auch mokslo darbuotoja als Grundform an. Als Terminus sollte die maskuline Form angegeben werden, also mokslo darbuotojas.

56

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Zu beachten ist, dass zur Ermittlung möglicher Termini (im Folgenden GT)⁷ ein am Zentrum für Computerlinguistik der VDU entwickeltes Programm verwendet wurde. In diesem Programm kamen linguistische Regeln zum Einsatz, die festlegen, welche Wortartenverbindungen oder Wortformen analysiert werden sollen.

Wie erwähnt, sind bei der Verwendung linguistischer Methoden morphologisch annotierte Korpora erforderlich; daher wurde das zunächst zusammengestellte Korpus für Bildungs- und Wissenschaftstexte morphologisch annotiert. Dafür kam der am Zentrum für Computerlinguistik der VDU entwickelte morphologische Annotator⁸ zum Einsatz. Im Folgenden ist ein Beispiel für einen automatisch morphologisch annotierten Text dargestellt:

<Wort=”PROJEKTŲ” Lemma=”projektas” Typ=”Subst. mask. Gen. Pl. K”>⁹ <Leerzeichen> <Wort=”FINANSAVIMO” Lemma=”finansavimas” Typ=”Subst. mask. Gen. Sg. K”> <Leerzeichen> <Wort=”SĄLYGŲ” Lemma=”sąlyga” Typ=”Subst. fem. Gen. Pl. K”> <Leerzeichen> <Wort=”APRAŠAS” Lemma=”aprašas” Typ=”Subst. mask. Gen. Sg. V”> <Absatz> <Wort=”I” Lemma=”I” Typ=”römische Zahl”> <Trennzeichen=”.”> <Leerzeichen> <Wort=”BENDROSIOS” Lemma=”bendras” Typ=”Adjektiv positiv unflektiert pronominal fem. Sg. K”> <Leerzeichen> <Wort=”NUOSTATOS” Lemma=”nuostata” Typ=”Subst. fem. Sg. K”>¹⁰ <Absatz> <Zahl=”1”> <Trennzeichen=””> <Leerzeichen> <Zahl=”2007”> <Trennzeichen=”–”>

⁷Programme, die mithilfe verschiedener Methoden Termini automatisch ermitteln, erkennen meist mögliche Termini, also Termkandidaten (siehe Zeller 2005). Unter den automatisch ermittelten Wörtern oder Wortverbindungen finden sich jedoch häufig völlig bedeutungslose Wortfolgen oder bedeutungsvolle nichtterminologische Wortverbindungen, etwa Kollokationen. Die tatsächlichen Termini werden aus diesen Wörtern und Wortverbindungen üblicherweise von einem Fachexperten bestimmt.

⁸ Näheres siehe http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator-how-to-use.

⁹ Word bezeichnet eine konkrete im Text verwendete Wortform, lemma die Grundform (Lemma), type die detaillierten morphologischen Informationen.

¹⁰ Es ist zu beachten, dass die morphologische Annotation automatisch erfolgt und daher Fehler auftreten können. So wurde in diesem Beispiel aufgrund von Kasussynkretismus eine falsche Form angegeben: Statt des Nominativs Plural Femininum wurde der Genitiv Singular Femininum angegeben. Näheres zu den Ungenauigkeiten, die sich aus den Besonderheiten des morphologischen Annotators ergeben, siehe das Kapitel Probleme bei der automatischen Terminermittlung.

Terminologija | 2012 | 19

57

<number=”2013”>

<space>

<Wort=”m” Lemma=”m” Typ=”Abkürzung”

<sep=”.”>

<space>

Das Funktionsprinzip eines Programms zur automatischen Ermittlung möglicher Termini (GT) lässt sich kurz und einfach wie folgt beschreiben: Ein morphologisch annotierter Text wird analysiert, und es werden zusammengehörige Wortketten gesucht. Das erste Kriterium besteht darin, anhand der markierten Text- und Satzgrenzen zusammenhängende Wortverbindungen auszuwählen. Einige Textgrenzen sind als Satzzeichen gekennzeichnet, andere können als HTML-Tags markiert sein, zum Beispiel das Absatz-Tag <p>, das Tag für ein Leerzeichen zwischen Wörtern <space> und so weiter. Anschließend müssen bestimmte linguistische Regeln erstellt werden, die im Programm angewendet werden. Zur Ermittlung von Begriffen aus Bildung und Wissenschaft wurden die folgenden grundlegenden Regeln ausgearbeitet und angewendet¹¹:

1. Analysiert werden nur Wortverbindungen, die mindestens ein Substantiv enthalten. Besteht ein GT aus zwei oder mehr Wörtern, können die übrigen Wortarten in einer solchen Verbindung Adjektive und Partizipien sein.

2. Analysiert werden nur Wortverbindungen, deren letztes Wort zwingend ein Substantiv sein muss¹².

3. Bei zweiteiligen GT werden Eigennamen nicht analysiert, da sie meist Bestandteil von Namen von Personen, Unternehmen, Institutionen und Ähnlichem sind, die nicht als Fachtermini gelten (bei der Ermittlung längerer Termini werden Eigennamen auch in die GT-Termlisten aufgenommen).

4. Aus den Wortverbindungen die als Ziffern geschriebenen Zahlen entfernen.

5. Wörter oder Wortverbindungen, die mindestens ein vom morphologischen Annotator nicht erkanntes Wort enthalten, nicht analysieren. Dabei handelt es sich meist um fremdsprachige Einfügungen, fehlerhaft geschriebene Wörter und verkürzte Wortformen¹³.

Durch Anwendung solcher Regeln wurden GT ermittelt, aus denen der Experte¹⁴ die Bildungs- und Wissenschaftstermini auswählte. Diese Termini wurden eingehender analysiert; ihre Struktur wird im Abschnitt Struktur der Bildungs- und Wissenschaftstermini beschrieben.

¹¹ Die Regeln sind universell und eignen sich im Wesentlichen dazu, Termini aus beliebigen Fachgebieten automatisch zu ermitteln.

¹² Es sind auch andere Terminstrukturen möglich, z. B. ein Substantiv mit einem Infinitiv mit Präfix oder ein Substantiv mit einer Präposition-Nicht-Konstruktion. Termini dieses Typs gibt es nur wenige, daher wurden sie nicht analysiert. Bei einer Fortsetzung der Untersuchung sollte künftig auch die Terminstruktur analysiert werden, die in diesem Artikel nicht berücksichtigt wurde.

¹³ Durch Anwendung bestimmter Einschränkungen bei der Auswahl von GT können wertvolle Informationen verloren gehen. In dieser Untersuchung wurde nicht gezählt, wie viele tatsächliche Termini unerkannt blieben. Bei der Verwendung von Programmen zur automatischen Terminologieerkennung muss man in Kauf nehmen, dass ein Teil der Informationen verloren geht; die automatisch ermittelten Informationen lassen sich jedoch leichter verarbeiten, und die erhaltenen Wortverbindungen sind grammatisch korrekter.

¹⁴ Der Experte dieses Projekts ist der Litauist Giedrius Viliūnas, der über umfassende pädagogische, administrative und Managementerfahrung im Bildungs- und Wissenschaftsbereich verfügt.

58

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

AUSWAHL DER TERMINI

Bei Anwendung der im vorigen Abschnitt beschriebenen Methode, des Programms und der darin verwendeten Regeln wurden etwa 11.000 GT ermittelt, die aus einem bis fünfzehn Wörtern bestehen¹⁵. Angesichts dieser großen Datenmenge wurden mehrere Auswahlkriterien angewandt. Das erste Kriterium war die Länge der Termini: Unter Berücksichtigung der allgemeinen Tendenzen der Terminstruktur wurde beschlossen, Termini mit höchstens sieben Wörtern zu analysieren. Das zweite Kriterium war die Gebrauchshäufigkeit der Termini. Für die weitere eingehende Analyse wurden einwortige GT ausgewählt, die im Bildungs- und Wissenschaftskorpus mindestens 20-mal vorkamen; zweiwortige GT, die mindestens 10-mal vorkamen; dreiwortige GT, die mindestens 8-mal vorkamen; vierwortige GT, die mindestens 6-mal vorkamen; fünfwortige GT mit einer Häufigkeit von mindestens 4; sechswortige GT, die mindestens 3-mal vorkamen, sowie siebenswortige GT mit einer Häufigkeit von mindestens 2.

Bei der automatischen Berechnung der Häufigkeit, mit der GT auftraten, wurden die Grundformen (Wörterbuchformen) der Wörter, d. h. die Lemmata, zugrunde gelegt. Die nach Anwendung dieser Auswahlkriterien ermittelten Termini wurden eingehender untersucht (ihre Struktur wird im nächsten Abschnitt vorgestellt).

Nachdem der Experte die anhand der zuvor genannten Kriterien ermittelten GT geprüft hatte, wurden die tatsächlichen Bildungs- und Wissenschaftstermini ausgewählt. Ihre Verteilung nach Länge ist in Tabelle 1 dargestellt.

Tabelle 1. Verteilung der Bildungs- und Wissenschaftstermini nach Länge

Anzahl der Wörter, aus denen die Termini bestehen

Anzahl der Termini

Anteil der Termini,%

1

155

19,87

2

474

60,77

3

125

16,03

4

22

2,82

5

4

0,51

Insgesamt

780

100,00

¹⁵ Hier einige der längsten gefundenen Termini: in den im Absatz genannten Fällen Rückzahlung des staatlich geförderten Darlehens an den Darlehensnehmer aufgrund eines Beschlusses der vom Fondsleiter eingesetzten Kommission (15 Wörter; Zahlen, d. h. die Nummer des jeweiligen Absatzes, sind hier ausgelassen); an die in dem von einem Kreditinstitut geschlossenen Vertrag über ein staatlich gefördertes Darlehen angegebene Wohnanschrift des Darlehensnehmers (13 Wörter); die Zahlungsordnung für die Studienbeiträge der Studierenden der Universität wird für das Studienjahr durch Anordnung des Rektors festgelegt (11 Wörter). Es ist offensichtlich, dass diese Textfragmente nicht als mögliche Termini gelten können.

Terminologija | 2012 | 19

59

Aus den Tabellendaten geht hervor, dass etwa 97% aller Bildungs- und Wissenschaftstermini aus ein- bis dreigliedrigen Termini bestehen. Unter den sechs- und siebengliedrigen Termini wurden keine Bildungs- und Wissenschaftstermini aus GT gefunden, weshalb sie im Folgenden nicht analysiert wurden.

STRUKTUR DER BILDUNGS- UND WISSENSCHAFTSTERMINI

In diesem Kapitel wird die Struktur der automatisch ermittelten und von einem Experten ausgewählten Bildungs- und Wissenschaftstermini ausführlich beschrieben und ihre grammatischen Modelle werden vorgestellt. Die Termini werden von den kürzesten, d. h. eingliedrigen, bis zu den längsten, d. h. fünfgliedrigen, beschrieben.

1. Eingliedrige Termini. Insgesamt wurden 7635 eingliedrige GT ermittelt; davon kamen 1311 im Korpus mehr als 20-mal vor. Im Folgenden werden nur diese Wörter genauer analysiert. Von den 1311 Wörtern können 155 als Bildungs- und Wissenschaftstermini gelten, d. h. etwa 20%. Die im Korpus am häufigsten verwendeten Bildungs- und Wissenschaftstermini sind: studentas (4208¹⁶), universitetas (3959), studijos (1562), mokslas (1508), sritis (1403).

2. Zweigliedrige Termini. Im vier Millionen Wörter umfassenden Korpus wurden 145 468 zweigliedrige GT gefunden. Wie bereits erwähnt, wurden im Folgenden nur jene zweigliedrigen GT analysiert, deren Häufigkeit mindestens 10 beträgt – solche Termini gab es 4889. Nach Durchsicht der GT verblieben in der endgültigen Liste der Bildungs- und Wissenschaftstermini nur 474 zweigliedrige Termini; sie bilden den größten Teil aller analysierten Termini – mehr als zwei Drittel (siehe Tabelle 1). Zweigliedrige Termini lassen sich anhand ihrer grammatischen Formen in drei Typen unterteilen.

1) Subst. Sg. + Subst. Sg. vom Typ der Bildungs- und Wissenschaftstermini gibt es 250, d. h. 52,7% aller zweigliedrigen Termini.

Die im Korpus verwendeten häufigsten Bildungs- und Wissenschaftstermini dieser Struktur sind studijų programa (1432), studijų pakopa (306), studijų kryptis (303), mokslo darbuotojas (289), studijų kokybė (253).

2) Adj. + Subst..¹⁷ Verbindungen dieser Art bilden 200 Bildungs- und Wissenschaftstermini (42,2% der zweigliedrigen Termini). Die häufigsten Bildungs- und Wissenschaftstermini sind aukštoji mokykla (2160), moksliniai tyrimai (918), aukštasis mokslas (730), nuotolinis mokymas (453), profesinis mokymas (403).

Verbindungen des Typs Adj. + Subst. gelten als GT, wenn Adjektiv und Substantiv in Genus, Numerus und Kasus übereinstimmen. Andernfalls erh-

¹⁶ In Klammern ist die Häufigkeit des betreffenden Terminus im Bildungs- und Wissenschaftskorpus mit einem Umfang von 4 Millionen Wörtern angegeben.

¹⁷ Bei den Modellen zweigliedriger Termini werden die Kasus nicht angegeben, da Adjektive und Partizipien mit Substantiven kongruieren und Substantive gewöhnlich im Nominativ Singular stehen.

60

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

… grammatikalisch fehlerhafte¹⁸ Wortverbindungen, z. B. engere Universitäten, wichtigstes Recht, wichtigste Lerninhalte, beste Jahre, oder die Wortverbindung ist korrekt, wenn auch häufig unvollständig, und es handelt sich nicht um Bildungs- und Wissenschaftsterminologie, z. B. größte weltweit, dynamischste weltweit, studierendenfreundlich.

3) Adv. + Subst. Verbindungen als Bildungs- und Wissenschaftsterminologie gibt es nur 24, d. h. 5%. Die häufigsten Bildungs- und Wissenschaftstermini sind: Abschlussarbeit (162), Wahlfach (109), Erwachsenenbildung¹⁹ (65), Rückmeldung (63), angewandte Forschung (45).

3. Dreiworttermini. Insgesamt wurden 119 881 Dreiwort-GT ermittelt. Eingehender analysiert wurden 2438 Verbindungen, deren Häufigkeit im Korpus mindestens 8 beträgt. Es wurden 125 Bildungs- und Wissenschaftstermini gefunden, d. h. 16,03% aller Termini. Die häufigsten Bildungs- und Wissenschaftstermini sind: Hochschuleinrichtung (251), Berufsausbildungseinrichtung (205), staatlich gefördertes Darlehen (149), allgemeinbildende Schule (147), Berufsausbildungseinrichtung (77).

Dreiworttermini der Bildungs- und Wissenschaftsbereiche folgen sieben grammatischen Mustern. Unter den Dreiworttermini der Bildungs- und Wissenschaftsbereiche sind Verbindungen des Typs Adj. Gen. + Subst. Gen. + Subst.²⁰ am häufigsten (sie machen 48% aller Dreiworttermini aus), z. B.: Hochschuleinrichtung (251), Berufsausbildungseinrichtung (205), allgemeinbildende Schule (147).

An zweiter Stelle hinsichtlich der Häufigkeit unter den Dreiworttermini der Bildungs- und Wissenschaftsbereiche stehen Verbindungen des Typs Subst. Gen. + Subst. Gen. + Subst. (24,8%), z. B.: Studienrichtungsverordnung (66), Beschreibung der Studienrichtungen (60), staatliches Forschungsinstitut (50).

Das dritthäufigste Strukturmuster der Dreiworttermini der Bildungs- und Wissenschaftsbereiche ist Adj. Nom. + Adj. Nom. + Subst. (12%), z. B.: nationales komplexes Programm (69), grundlegende wissenschaftliche Forschung (61), berufliche Erstausbildung (52).

Im Folgenden lassen sich für die weiteren strukturellen Muster der Dreiworttermini der Bildungs- und Wissenschaftsbereiche jeweils nur wenige Beispiele anführen: Subst. Gen. + Part. Nom. + Subst. (4%), z. B.: staatlich gefördertes Darlehen (149), staatlich anerkannte Qualifikation (33), staatlich finanzierter Student (21); Subst. Gen. + Adj. Nom. + Subst. (4%), z. B.: ausländische Hochschule (41), akademischer Rat des Kollegs (32), wissenschaftlicher Betreuer des Doktoranden (20); Part. Nom. / Akk. + Subst. Gen. + Subst. (3,2%), z. B.: abschließende Qualifikationsbewertung (36), kostenloser Studienplatz (13), angewandte Forschung (13); Adj. Nom. +

¹⁸ Als grammatikalisch korrekte Wortverbindungen gelten in dieser Arbeit solche Verbindungen, in denen die abhängigen Wörter mit dem Hauptwort kongruieren und die syntaktischen Beziehungen zwischen den Bestandteilen der Wortverbindung eindeutig sind.

¹⁹ Zu den Partizipien wurden auch substantivierte Partizipien gezählt.

²⁰ Der Kasus des letzten Substantivs wird nicht angegeben, da es meist im Nominativ steht.

Terminologija | 2012 | 19

61

Part. V. (oder K., wenn das Partizip substantiviert ist) + Subst. (2,4%), z. B.: wettbewerbsorientiertes Lehrfach (15), informelle Erwachsenenbildung (13), wissenschaftliche Forschungsarbeit (12); Part. V. + Adv. V. + Subst. (1,6%), z. B.: angewandte wissenschaftliche Tätigkeit (20), Auftragsforschung (8).

4. Vierworttermini. Insgesamt wurden 77 961 viergliedrige GT gefunden; mehr als siebenmal verwendete Wortverbindungen gab es 760. Davon identifizierte der Experte 22 Terminologiebegriffe aus dem Bereich Bildung und Wissenschaft (sie machen 2,82% aller Termini aus). Die häufigsten Verbindungen in dieser Terminigruppe sind Institution für Wissenschaft und Studium (568), Wissenschafts- und Technologiepark (62), allgemeines nationales komplexes Programm (40), berufliche Ausbildung für den Arbeitsmarkt (40).

Die im Korpus für Bildung und Wissenschaft verwendeten Vierworttermini gehören zu neun verschiedenen grammatischen Modellen. Da Vierworttermini nur in geringer Zahl vorkommen, wird jedes Modell durch lediglich einige oder sogar nur ein Beispiel veranschaulicht. Hier werden alle strukturellen Modelle der Vierworttermini aus dem Bereich Bildung und Wissenschaft nach Häufigkeit gruppiert aufgeführt und jeweils durch ein Beispiel veranschaulicht:

Adj. V. + Subst. K. + Subst. K. + Subst. (22,7% aller Vierworttermini): internationale wissenschaftliche Datenbank (13);

Adj. V. + Adj. K. + Subst. K. + Subst. (18,2%): allgemeines universitäres Bildungsfach (8);

Adj. K. + Subst. K. + Part. V. + Subst. (13,6%): Schüler mit sonderpädagogischem Förderbedarf (8);

Subst. K. + Konj. + Subst. K. + Subst. (13,6%): Institution für Wissenschaft und Studium (568);

Adj. K. + Subst. K. + Adj. V. + Subst. (9,1%): Forschung auf hohem Niveau (18);

Part. V. + Adj. V. + Subst. K. + Subst. (9,1%): anerkannte internationale Datenbank (11);

Adj. V. + Adj. V. + Adj. V. + Subst. (4,5%): allgemeines nationales komplexes Programm (40);

Subst. K. + Adj. K. + Subst. K. + Subst. (4,5%): staatliche Forschungseinrichtung (31);

Subst. K. + Subst. K. + Subst. K. + Subst. (4,5%): Studienbereich der Technologiewissenschaften (28);

5. Fünfworttermini. Es wurden 49 768 fünfgliedrige GT ermittelt; Wortverbindungen, die mehr als fünfmal vorkommen, gab es 601, davon 4 Terminologiebegriffe aus dem Bereich Bildung und Wissenschaft, d. h. 0,51% aller Termini. Bei einer so geringen Zahl von Termini lassen sich nur schwer Verallgemeinerungen über ihre Struktur ziehen; deshalb wurden die Termini nicht strukturell klassifiziert. Alle im Korpus für Bildung und Wissenschaft verwendeten Fünfworttermini sind: wissenschaftliche Forschung und experimentelle Entwicklung (124), wissenschaftliche Forschung und technologische Entwicklung (67), wissenschaftliche Forschung und Technologieentwicklung (13), Forschungszentrum auf hohem Niveau (7).

62

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

6. Sechs- und siebenwortige Termini. Es wurde bereits erwähnt, dass unter den sechswortigen und siebenwortigen GT-Termini kein einziger ŠM-Terminus gefunden wurde, obwohl insgesamt 30 298 sechswortige GT (davon 750 mehr als dreimal verwendete Wortverbindungen) und 17 815 siebenwortige GT (davon 2608 mehr als zweimal verwendete Wortverbindungen) ermittelt wurden.

VERGLEICH DER TERMINI AUS BILDUNG UND WISSENSCHAFT MIT DEN TERMINI DER TERMINOLOGIEDATENBANK DER REPUBLIK LITAUEN

Die im Textkorpus aus Bildung und Wissenschaft verwendeten Termini lassen sich mit den in der Terminologiedatenbank der Republik Litauen aufgeführten anerkannten Bildungs- und Wissenschaftstermini vergleichen²¹; davon gibt es 74. Die Struktur dieser Termini ist sehr vielfältig: von Einworttermini bis hin zu Wortverbindungen aus 18 Wörtern. Sehr lange Termini aus 15 und 18 Wörtern wurden jeweils nur einmal gefunden. Der längste aufgeführte Terminus lautet – Programm für die nichtformale berufliche Weiterbildung von Landwirten, Waldbesitzern, Mitgliedern lokaler Aktionsgruppen, anderen Einwohnern des ländlichen Raums und ihren Beratern. Es ist diskutabel, ob die Bezeichnung eines Programms als Terminus gelten kann.

Ein Vergleich der Struktur der Termini aus Bildung und Wissenschaft im Textkorpus und in der Terminologiedatenbank zeigt, dass in beiden Quellen Ein-, Zwei- und Dreiworttermini am häufigsten sind. Die Ein-, Zwei- und Dreiworttermini machen in der Terminologiedatenbank 86,5% aus, während Termini derselben Länge im Textkorpus 97% der verwendeten Termini ausmachen (siehe Tabelle 1). In der Terminologiedatenbank gibt es etwas mehr Vierworttermini als im hier vorgestellten Textkorpus; Fünfworttermini kommen nicht vor. Von den aus 6, 7, 8 und 9 Wörtern bestehenden Termini finden sich in der Terminologiedatenbank jeweils nur ein oder zwei; Termini aus 10 Wörtern gibt es nicht, allerdings sind die bereits erwähnten Termini aus 15 und 18 Wörtern aufgeführt (siehe Tabelle 2).

Die Zuordnung einiger in der Terminologiedatenbank aufgeführter Termini zum Bereich Bildung und Wissenschaft ist fraglich, z. B. Litauer, Weltgemeinschaft der Litauer, Remigration, Nationalität. Aus der erhaltenen Terminiliste geht hervor, dass der Bereich Bildung und Wissenschaft nicht vollständig abgedeckt ist: So wird beispielsweise Traktorfahrer als Terminus der beruflichen Bildung aufgeführt, während Mähdrescherfahrer, Koch, Tischler und Ähnliches fehlen; insbesondere mangelt es an Termini, die die Wissenschaftspolitik widerspiegeln. Die im Rahmen der in diesem Artikel behandelten Untersuchung ermittelten Termini sollten daher die terminologische Lücke im Bereich Bildung und Wissenschaft zumindest teilweise schließen.

²¹ Die Liste der anerkannten Termini aus dem Bereich Bildung und Wissenschaft wurde 2010 von der Staatlichen Kommission für die litauische Sprache bezogen. Beim Vergleich der Daten des Textkorpus und der Terminologiedatenbank wird genau diese Liste zugrunde gelegt.

Terminologija | 2012 | 19

63

Tabelle 2. Verteilung der in der Terminologiedatenbank der Republik Litauen aufgeführten Bildungs- und Wissenschaftstermini nach Länge

Anzahl der Wörter, aus denen die Termini bestehen

Anzahl der Termini, absolute Zahl

Anzahl der Termini,%

1

16

21,6

2

31

41,9

3

17

23,0

4

3

4,1

5

0

0

6

1

1,4

7

1

1,4

8

1

1,4

9

2

2,7

10

0

0

11

0

0

12

0

0

13

0

0

14

0

0

15

1

1,4

18

1

1,4

Insgesamt

74

100

PROBLEME DER AUTOMATISCHEN TERMINERMITTLUNG

Bei der Ermittlung von Termini mit verschiedenen Methoden treten zwei Hauptprobleme auf: 1) Welche Formen sind grammatisch korrekte Termini? Dies ist insbesondere bei der Bestimmung der Grundform relevant; 2) Wie lassen sich allgemeine Phrasen und allgemeine Termini von den Termini des untersuchten Fachgebiets unterscheiden? Mit ähnlichen Problemen sind auch Wissenschaftler anderer Länder konfrontiert (vgl. Cabré Castellví et al 2001).

Das zweite Problem lässt sich meist nur nichtautomatisch lösen, d. h. ein Experte des betreffenden Fachgebiets muss den GT prüfen und bestimmen, welche Termini dem untersuchten Fachgebiet zuzuordnen sind. Es können auch bestimmte Filter eingesetzt werden, d. h. es lässt sich eine Liste nicht zu analysierender Wörter (englisch stop list) erstellen und zum Ausschluss von Wörtern verwenden, die nicht als Termini des untersuchten Fachgebiets auftreten können. Eine solche Filterung wurde auch in dieser Untersuchung angewandt. Einige Beispiele: Als Bildungs- und Wissenschaftstermini (ŠM) galten Wörter oder Wortverbindungen nicht, deren letztes Wort eine Zeitangabe bezeichnet,

64 Erika Rimkutė | Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

also etwa ein Substantiv wie metai, mėnuo, diena, savaitė, rytas, vakaras, sausis, vasaris, pirmadienis, antradienis usw. Wörter mit Maßangaben gelten ebenfalls nicht als Termini, zum Beispiel: milimetras, metras, centimetras, kilometras, mylia, gramas, kilogramas, tona.

Man kann Wortverbindungen ausschließen, die für allgemeine Verwaltungstermini typische Wortverbindungen enthalten, zum Beispiel: įstatymo straipsnio, įstatymo straipsnio dalyje, įstatymų nustatyta (tvarka), įsakymo punktu patvirtintu, teisės aktų nustatyta tvarka, respublikos vyriausybės, respublikos valstybės, nuostatų punktas, nutarimų punktas, ministro įsakymas, ministro nustatyta tvarka, ministro patvirtintas, ministro sudarytas.

Um die Bildungs- und Wissenschaftstermini möglichst genau automatisch von allgemeinen Termini abzugrenzen, wurden zwei Vergleichskorpora mit demselben Umfang wie das Bildungs- und Wissenschaftskorpus, d. h. mit 4 Mio. Wörtern, zusammengestellt. Das erste Vergleichskorpus besteht aus Texten verschiedener Genres und Stile; sein Aufbau ähnelt dem Dabartinės lietuvių kalbos tekstyną (es umfasst publizistische, belletristische, administrative und wissenschaftliche Literatur). Das zweite Vergleichskorpus besteht aus Verwaltungstexten, die jedoch nicht dem Bildungs- und Wissenschaftsbereich angehören. Es wurde die Annahme aufgestellt, dass ein Terminus umso häufiger im allgemeinen und/oder Verwaltungskorpus vorkommt, je allgemeiner er ist, und umso seltener, je spezifischer er ist. Diese Hypothese bestätigte sich teilweise: So fanden sich etwa für den Bildungs- und Wissenschaftsbereich typische Termini wie judumas, kompetentingumas, nubyrejimas, siekinys nicht in den Vergleichskorpora, während Termini wie studentas, universitetas, vadovėlis sowohl im Bildungs- und Wissenschaftskorpus als auch in den Vergleichskorpora häufig vorkamen. Diese Untersuchung sollte fortgesetzt werden, um verlässliche Daten dazu vorzulegen, in welchem Umfang der Vergleich mehrerer Korpora dazu beitragen kann, allgemeine Termini zumindest teilweise automatisch von den Termini des untersuchten Fachgebiets abzugrenzen.

Im Folgenden wird das erste Problem ausführlicher behandelt, nämlich wie sich die korrekte Lemmatisierungsform von Termini (insbesondere von Mehrworttermini) automatisch bestimmen lässt und wie in einem Korpus verwendete Wörter und Wortverbindungen in unterschiedlichen Flexionsformen einem Lemma zugeordnet werden können.

Die Untersuchung ergab, dass sich die Grundform eines Terminus nicht immer leicht bestimmen lässt. Bei der automatischen Lemmatisierung ergibt sich beispielsweise für die Wortverbindung aukštoji mokykla das Ergebnis aukštas mokykla. Diese Form wird ausgegeben, weil der morphologische Annotator bei Adjektiven als Lemma die Nominativform Singular Maskulinum des Positivs angibt (ausführlicher zu den Besonderheiten des Annotators siehe Zinkevičius 2000). Für die Lemmata von Mehrworttermini

Terminologija | 2012 | 19

65

Dabei würde ein Programm zur syntaktischen Analyse sehr helfen. Leider gibt es bislang kein tatsächlich funktionierendes Programm zur syntaktischen Analyse²². Folglich sind zur Bestimmung der Lemmata bestimmte zusätzliche Regeln erforderlich – in diesem Fall muss angegeben werden, dass, wenn ein Lemma aus einem Substantiv besteht, ein Adjektiv oder Partizip mit dem Genus dieses Substantivs übereinstimmen muss; wenn das Adjektiv oder Partizip pronominal ist, muss diese Kategorie auch im Lemma erhalten bleiben.

Viele Fragen ergeben sich hinsichtlich der Numeruskategorie, zum Beispiel: Das erste Element des Terminus studentų atstovybė (Studierendenvertretung) muss im Plural stehen; bei den Termini akademiniai įgūdžiai, auditorinės darbo valandos (akademische Fertigkeiten, Präsenzarbeitsstunden) müssen alle Elemente im Plural stehen; bei den Termini fakulteto taryba, universiteto autonomija, bendrasis priėmimas, mokslinis leidinys (Fakultätsrat, Universitätsautonomie, allgemeine Zulassung, wissenschaftliche Publikation) stehen dagegen beide Elemente im Singular. Natürlich fällt es einem Menschen leicht festzustellen, wo die Plural- und wo die Singularform erforderlich ist, doch dies automatisch zu tun, ist sehr schwierig. Tatsächlich zeigt sich im Korpus, dass einige Wörter fast immer nur im Plural verwendet werden (z. B.: asignavimai, duomenys, studijos, rūmai, žinios, pinigai, pareigos [Mittelzuweisungen, Daten, Studien, Paläste, Kenntnisse, Geld, Ämter]).

Die richtige Numerusform ist auch deshalb schwer zu bestimmen, weil manche Wörter Homonyme sind, zum Beispiel studija (wissenschaftliches Werk) und studijos (Studium). Aus diesem Grund wurden die Lemmata der folgenden Termini automatisch falsch bestimmt: bakalauro studija, rezidentūros studija, magistro studija, dieninės studija, nuotolinės studija (Bachelorstudium, Facharztausbildung, Masterstudium, Präsenzstudium, Fernstudium). Wie erwähnt, werden einige Substantive meist nur im Plural verwendet, obwohl im Wörterbuch die Singularform als Lemma angegeben ist. Diese Diskrepanz zwischen den Wörterbuchangaben und dem tatsächlichen Sprachgebrauch führte zu falsch bestimmten Lemmata der Termini mokinio pasiekimas, švietimo resursas, praktinis gebėjimas, fizinis mokslas, akademinis užsiėmimas (Schülerleistung, Bildungsressource, praktische Fähigkeit, Naturwissenschaft, akademische Veranstaltung) (es müsste heißen: mokinio pasiekimai, švietimo resursai, praktiniai gebėjimai, fiziniai mokslai, akademiniai užsiėmimai [Schülerleistungen, Bildungsressourcen, praktische Fähigkeiten, Naturwissenschaften, akademische Veranstaltungen]).

Ein weiteres Problem stellen substantiva mobilia dar, zum Beispiel: abiturientas – abiturientė, abonentas – abonentė (Abiturient – Abiturientin, Abonnent – Abonnentin). Da im Korpus sowohl maskuline als auch feminine Formen vorkamen, wurden automatisch Lemmata beider Genera angegeben. Damit als Terminus aus dem Bereich Bildung und Wissenschaft nur das maskuline Lemma beibehalten wird, musste eine Regel angewandt werden, nach der maskuline und feminine Substantive vom Typ substantiva mobilia auf ein maskulines Lemma zurückgeführt werden.

²² Automatinės sintaksinės analizės srityje paminėtini D. Šveikauskienės 2009, E. Rimkutės 2006 darbai. Automatinės sintaksinės analizės programa kuriama VDU Kompiuterinės lingvistikos centre ir iš dalies jau taikoma analizuojant ŠM terminus.

66

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

Bei der automatischen Bestimmung der Lemmata wird manchmal eine falsche Wortstellung angegeben, zum Beispiel folgende Zitierformen: tipų studija (Typenstudium) (richtig wäre studijų tipas [Studientyp]), lygmens kvalifikacija (Niveauqualifikation) (richtig wäre kvalifikacijų lygmuo [Qualifikationsniveau]).

Da bei der Bestimmung der Lemmata keine syntaktische Analyse angewandt wird, stimmen Attribute nicht immer mit ihrem Bezugswort überein, zum Beispiel tarptautinis (= tarptautinio) lygio mokslas (Wissenschaft auf internationalem (internationalem) Niveau); oder es treten andere syntaktische Verstöße auf, zum Beispiel: paskolų gyvenimo išlaidos (= paskola gyvenimo išlaidoms) (Lebenshaltungskosten aus Darlehen (Darlehen für Lebenshaltungskosten)).

Schwierigkeiten ergeben sich auch bei der Abgrenzung von Termini, zum Beispiel bei der Frage, ob dėstytojų ir mokslininkų kvalifikacijos bei kompetencijos atitiktis (Übereinstimmung der Qualifikationen und Kompetenzen von Lehrenden und Wissenschaftlern) ein einzelner Terminus ist oder ob hier mehrere Termini zu unterscheiden sind:

1) Übereinstimmung der Qualifikationen und Kompetenzen von Lehrenden,

2) Übereinstimmung der Qualifikationen und Kompetenzen von Wissenschaftlern,

3) Übereinstimmung der Qualifikationen von Lehrenden und Wissenschaftlern,

4) Übereinstimmung der Kompetenzen von Lehrenden und Wissenschaftlern,

5) Qualifikation von Lehrenden,

6) Qualifikation von Wissenschaftlern,

7) Kompetenz von Lehrenden,

8) Kompetenz von Lehrern,

9) Übereinstimmung der Qualifikationen,

10) Kompetenzentsprechung.

Bei der Bestimmung von Lemmata und allgemein bei der Erkennung von Termini entstehen Schwierigkeiten auch aufgrund der Besonderheiten des morphologischen Annotators, wenn aus mehreren möglichen Wortarten oder grammatischen Formen die falsche ausgewählt wird. Wenn beispielsweise ein Adjektiv mit dem danebenstehenden Substantiv in Genus, Kasus und Numerus übereinstimmt, ist es sehr wahrscheinlich, dass eine solche Wortverbindung grammatisch korrekt ist. Aus zwei Substantiven gebildete Verbindungen, deren erstes Glied nicht im Genitiv steht, sind nicht immer grammatisch korrekt. Sie müssen sorgfältiger überprüft werden, was mehr Zeit kostet. Somit hängt davon, welche Wortart angegeben ist, ab, ob die Verbindung zu den GT gehört und ob sie grammatisch korrekt ist. Einige Beispiele zur Veranschaulichung dieses Fehlertyps: metinėms (kann Adjektiv und Substantiv sein; der morphologische Annotator hat das Substantiv angegeben) ataskaitoms; keliais (kann Pronomen und Substantiv sein; das Substantiv wurde ausgewählt) procentais; bendrais (kann Adjektiv und Substantiv sein; das Substantiv wurde ausgewählt) teiginiais; uždarus (kann Adjektiv und Substantiv sein; das Substantiv wurde ausgewählt) posėdžius.

Aufgrund der falsch angegebenen Wortart und weil die Wörter syntaktisch nicht analysiert werden, erscheint die im morphologisch annotierten Textkorpus gefundene Wortverbindung žemiausias balas auf den ersten Blick grammatisch inkorrekt, denn

Terminologija | 2012 | 19

67

für das erste Wort sind folgende Merkmale angegeben: Adjektiv, Superlativ, nicht pronominal, maskulin, Singular, Nominativ; für das zweite: Substantiv, feminin, Plural, Genitiv, und als Lemma ist bala angegeben. Somit ist ersichtlich, dass in diesem Fall das Lemma des Substantivs falsch bestimmt wurde – es muss balas lauten. Folglich ist die zuvor genannte Wortverbindung grammatisch korrekt.

In diesem Kapitel wurden die Schwierigkeiten behandelt, denen man bei der automatischen Bestimmung von Bildungs- und Wissenschaftstermini am häufigsten begegnet. Diese Probleme und ihre Lösungsmöglichkeiten werden in weiteren Arbeiten erörtert.

SCHLUSSFOLGERUNGEN

Das Programm und die Methodik zur automatischen Terminusbestimmung müssen noch weiterentwickelt werden. Dennoch sind die ersten Ergebnisse recht positiv zu bewerten. Wie die angeführten Beispiele zeigen, macht die automatische Analyse nicht nur spezifische, technische Probleme sichtbar, sondern auch solche, mit denen Terminologen ebenfalls konfrontiert sind, etwa die Wahl der Numeruskategorie.

Nach einer Verbesserung des morphologischen Annotators und dem Einsatz eines Programms zur automatischen Syntaxanalyse ließen sich Termini einfacher und zuverlässiger automatisch bestimmen.

Trotz der auftretenden Schwierigkeiten beschleunigt ein Programm zur automatischen Terminusbestimmung den Prozess der GT-Bestimmung erheblich. Ein weiterer wichtiger Vorteil des automatischen Terminusbestimmungsverfahrens ist die Objektivität der Datenanalyse.

Es wurde festgestellt, dass 97% der automatisch ausgewählten und überprüften Bildungs- und Wissenschaftstermini aus 1–3 Wörtern bestehen. Am häufigsten sind Zweiworttermini; sie machen fast 61% aller Termini aus.

Die häufigsten Strukturmodelle der Bildungs- und Wissenschaftstermini sind Substantiv im Genitiv + Substantiv, Adjektiv + Substantiv, Adjektiv im Genitiv + Substantiv im Genitiv + Substantiv, Substantiv im Genitiv + Substantiv im Genitiv + Substantiv (beim letzten Substantiv sind verschiedene Kasus möglich).

LITERATŪRA

Bowker L. 2002: Computer-aided translation technology – a practical introduction. University of Ottawa Press.

Cabré Castellví M. T., Estopà Bagot R., Palatresi J. V. 2001: Automatic term detection. A review of current systems. – Recent Advances in Computational Terminology, 53–88.

Grigonytė G., Rimkutė E., Utka A., Boizou L. 2011: Experiments on Lithuanian Term Extraction. – Proceedings of the 18th Nordic Conference of Computational Linguistics NODALIDA 2011. NEALT Proceedings Series, Vol. 11, 82–89.

Rimkutė E. 2006: Morfologinio daugiaprasmiškumo ribojimas kompiuteriniame tekste. Daktaro disertacija.

Rimkutė E. 2010: Lietuvių kalbos terminų automatinio nustatymo galimybės. – Kalbų studijos 16, 71–78.

Rossini Favretti R., Tamburini F., Martelli E. 2001: Words from Bononia Legal Corpus. – International Journal of Corpus Linguistics, special issue, 3–33.

Šveikauskienė D. 2009: Kalbos vientisinių sakinių automatinė sintaksinė analizė. Daktaro disertacija.

Zeller I. 2005: Automatinis terminų atpažinimas ir apdorojimas. Daktaro disertacija. Vytauto Didžiojo universitetas.

Zinkevičius V. 2000: Lemuoklis – morfologinei analizei. – Darbai ir dienos 24, 245–273.

68

Erika Rimkutė

Automatinis švietimo ir mokslo terminų nustatymas lingvistiniais metodais

AUTOMATIC IDENTIFICATION OF SCIENCE AND EDUCATION TERMS USING LINGUISTIC METHODS

The paper deals with possibilities and problems of automatic Lithuanian term extraction. Specifically, linguistic methods are discussed in the domain of Education and Science.

Other researchers have shown that it is almost impossible to have language-independent term extraction tools; this is especially true for tools which are based on linguistic rules. Therefore a linguistic term extraction tool should incorporate methods that would deal with a language’s grammatical system. This paper presents a tool developed at the Centre of Computational Linguistics of Vytautas Magnus University that employs linguistic rules for extracting domain-specific terminology.

In order to extract domain-specific terms automatically, some preparatory work should be completed: compilation of domain-specific corpus (a corpus of four million words has been compiled for this research), morphological annotation of the corpus, formulation of appropriate linguistic rules, and creation of methodology for filtering out irrelevant word combinations.

The paper presents the linguistic rules that have been used for the extraction of Education and Science terms and the results of the extraction procedure. The identified terms are contrasted with approved terms in the Term Bank of the Republic of Lithuania.

Some specific problems of automatic term extraction are discussed in the paper, e.g. number and case agreement of terms in a multi word term.

Gauta 2012-05-17

Erika Rimkutė

Vytauto Didžiojo universitetas

K. Donelaičio g. 52, LT-44248 Kaunas

E. paštas [email protected]

Terminologija | 2012 | 19 6 9